一种用于自动表征颈动脉超声斑块成分的卷积神经网络

颈动脉斑块成分的表征，特别是脂质核心、纤维组织和钙化组织的量，是识别易破裂斑块的重要任务，因此对于心血管和脑血管事件的早期风险评估至关重要。由于其低成本和广泛可用性，颈动脉超声有潜力成为临床实践中斑块表征的首选方法。然而，其显著的图像噪声，加上斑块的体积小和外观复杂，使得自动化技术很难区分不同的斑块成分。本文中，我们提出通过利用新兴深度学习框架的独特能力来解决这一挑战性问题。更具体地说，与现有工作所需的特定成像特征或阈值的先验定义不同，我们提出构建一个卷积神经网络（CNN），该网络将自动从图像中提取出最优信息以识别不同的斑块成分。我们使用了大约90,000个从图像数据库中提取的图像块和相应的专家斑块表征来训练和验证所提议的CNN。交叉验证实验的结果显示，在脂质核心、纤维帽和钙化组织区域的估算中，与临床评估的相关性约为0.90，这表明深度学习在颈动脉超声的斑块成分自动表征任务中的潜力。